TC-Sniffer双分支模型

少样本膀胱癌诊断

利用可获取的膀胱癌相关VOCs作为辅助分类，结合Transformer与TCN，在仅有5个训练样本时实现高精度诊断并区分癌症亚型。

Jian, Yingying · 张楠 · 刘西洋 · Fan, Jinhai · 吴巍炜 · Liu, Taoping

ACS Sensors 2024

参数信息

平均准确率

92.95 %

技术优势

仅需5个训练样本

利用辅助 VOCs 分类任务学习 UBC 特异性特征，降低了小样本场景下的过拟合，使模型在极少量患者数据下仍能达到高准确率。

能区分癌症亚型

细粒度分类结果显示模型可区分非肌层浸润性膀胱癌与肌层浸润性膀胱癌，为临床分期和治疗决策提供更精细的信息。

对不平衡数据稳健

采用 focal loss 缓解因辅助 VOCs 引入的类别不平衡导致的模型偏差，使训练过程更加关注难分样本，提升了整体泛化能力。

应用场景

• 膀胱癌早筛：用 5 例样本训练即可部署筛查，替换传统需大样本的膀胱癌早筛模型。
• 电子鼻诊断：直接接入电子鼻信号分析流程，完成膀胱癌自动识别与亚型区分。
• 挥发性有机物分析：利用膀胱癌相关 VOCs 作为辅助任务，强化模型对疾病特异性 VOC 模式的学习。
• 非侵入式癌症诊断：为不愿接受膀胱镜检查的患者提供无创、高精度的癌症筛查替代方案。